Clisp:一种强大的交互式细分框架,用于病理图像

科学领域:

• 医学图像分析 医学图像分析
• 计算机视觉 计算机视觉
• 计算病理学计算病理学

背景情况:

• 深度学习模型在病态图像细分方面表现出色,但需要大量的注释数据,阻碍了临床应用.
• 交互式细分方法减少了注释工作,但由于小规模的训练数据集,通常缺乏概括性.

研究的目的:

• 推出Clisp,一个强大的基于点击的交互式细分框架,用于有效和低成本的病理图像注释.
• 增强交互式细分模型的概括能力,用于各种病理成像任务.

主要方法:

• 开发了一个基于点击的交互式细分框架 (Clisp),使用重参数视觉变压器进行特征提取.
• 构建了一个大型的,多来源的病理图像数据集,包括大约79,000张图像,用于监督培训.
• 在7个开源数据集中评估了Clisp的性能和概括能力.

主要成果:

• 与基线方法相比,Clisp在大多数评估数据集上表现出优异的细分性能.
• 拟议的框架在不同的细分任务和对象中展示了出色的概括能力.
• 使用大型数据集和强大的视觉转换器编码器有助于提高性能.

结论:

• Clisp提供了一种切实可行的解决方案,用于减少病态图像分割中的注释负担.
• 该框架具有强大的概括能力,使其适用于广泛的临床应用.
• 这项工作突出了基于互动,深度学习的方法的潜力,以实现高效的医学图像分析.